LLM et systèmes agentiques

Démos de programmation agentique avec Agno

Laboratoire d'apprentissage avec des exemples exécutables d'agents Agno, d'outils Gemini, de sorties Pydantic, de RAG sur LanceDB et de mémoire de session SQLite.

ExpérimentalCode source disponibleLaboratoire d'apprentissage de la programmation agentique / 2025

Problème

Les frameworks d'agents se comprennent mieux à travers de petits exemples d'outils, de réponses structurées, de recherche d'information, d'embeddings et de sessions persistantes.

Solution

Créer un dépôt Python compact avec des scripts Agno, un chargement d'environnement partagé, des schémas et des exemples d'outils Gemini, de modèles Pydantic, de connaissances par URL, de LanceDB, d'embeddings et de stockage SQLite.

Fonctionnalités clés

Configuration d'un agent Agno de base avec Google Gemini

Intégration de l'outil YFinance pour des réponses sur les cours de bourse et les informations d'entreprise

Outil Hacker News optionnel qui récupère les articles en tête via l'API Firebase publique

Modèle de réponse Pydantic MovieScript pour comparer le mode JSON et la sortie structurée

Workflow de connaissances par URL qui charge la documentation Agno dans un magasin vectoriel LanceDB

Embeddings SentenceTransformer avec recherche hybride LanceDB

Stockage de sessions SQLite avec l'historique de discussion réinjecté dans les messages de l'agent

Schémas visuels pour le LLM de base, l'agent de base, la sortie structurée et les flux de connaissances et de stockage

Rôle

Dépôt d'apprentissage personnel pour Agentic Programming Fundamentals, construit pour pratiquer les agents Agno, les modèles Gemini, les appels d'outils, la sortie structurée, le RAG et la mémoire.

Stack

PythonAgnoGoogle GeminiPydanticLanceDBSentenceTransformersSQLiteSQLAlchemyYFinance ToolsHacker News APIdotenv

Liens

GitHub

Schéma d'architecture

Mermaid

flowchart LR
  Prompt["Prompt de l'utilisateur"] --> Agent["Agent Agno"]
  Agent --> Gemini["Modèle Google Gemini"]
  Agent --> Tools["Outils YFinance et Hacker News"]
  Agent --> Schema["Modèle de réponse Pydantic"]
  Agent --> Knowledge["UrlKnowledge à partir de la doc Agno"]
  Knowledge --> LanceDB["Recherche vectorielle hybride LanceDB"]
  LanceDB --> Embeddings["Embeddings SentenceTransformer"]
  Agent --> Memory["Stockage de sessions SQLite"]
  Gemini --> Output["Réponse en Markdown ou structurée"]
  Tools --> Agent
  Schema --> Output
  Memory --> Agent

Captures d'écran : Cours Agno

4 vues

Architecture d'un agent Agno avec entrée utilisateur, stockage SQLite, connaissances par URL, LanceDB, embeddings SentenceTransformer, Gemini et sortie de réponse. — Flux de connaissances et de mémoire : l'agent Agno utilise des connaissances par URL, la recherche hybride LanceDB, les embeddings SentenceTransformer, le stockage SQLite et Gemini.

Schéma d'interaction d'un agent de base montrant l'entrée utilisateur, l'appel de l'agent, l'appel du LLM et la sortie renvoyée. — Boucle d'agent de base montrant comment l'entrée de l'utilisateur traverse un agent Agno jusqu'au LLM puis revient en sortie.

Schéma de sortie structurée Agno montrant le prompt, l'agent, la validation de la sortie JSON et la réponse du LLM. — Exemple de sortie structurée avec un modèle de réponse Pydantic pour comparer le mode JSON et les réponses structurées natives.

Schéma d'interaction LLM de base montrant l'entrée utilisateur, l'appel au LLM et la réponse. — Interaction LLM de référence, première étape avant d'ajouter outils, validation de schéma, connaissances et mémoire.